Predicting the credit risk of companies

: can structural models add value to the determination of probabilities of default in logit models?

Resumo

Esta dissertação visa investigar se os modelos estruturais têm a capacidade de melhorar o poder preditivo dos modelos logit. Para este efeito, a métrica de distância ao incumprimento (DD), obtida a partir de uma versão simplificada do modelo estrutural por Eisdorfer, Goyal e Zhdanov (2019), é integrada como outra variável explicativa no modelo logit por Campbell, Hilscher & Szilagyi (2008). É aplicado a um conjunto de 7.257 empresas não financeiras dos EUA entre 1983 e 2019. O poder preditivo é avaliado tanto in-sample como out-of-sample através de horizontes temporais de 6, 12, 24 e 36 meses. Na avaliação in-sample, a distância até ao incumprimento revelou-se significativa para todos os intervalos de tempo considerados e permitiu um aumento do pseudo-R2 McFadden. No entanto, na avaliação out-of-sample, o número total de previsões corretas diminuiu no modelo aditivo em comparação com o modelo de referência. Estes resultados sugerem que a introdução do DD não melhora o poder preditivo do modelo logit. Como era razoável supor que grande parte da variável DD já tinham sido capturada por outras variáveis explicativas, foi realizado um teste de seguimento que falsificou esta suposição. Com base nestes resultados, conclui-se que a distância ao incumprimento obtida a partir do modelo EGZ simplificado não é capaz de melhorar o desempenho do modelo logit CHS.

Data do prémio	5 fev. 2021
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Diana Bonfim (Supervisor)